文章插图
首先，我们知道声音实际上是一种波 。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如Windows PCM文件 ， 也就是俗称的wav文件 。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了 。
在开始语音识别之前，有时需要把首尾端的静音切除，降低对后续步骤造成的干扰 。这个静音切除的操作一般称为VAD，需要用到信号处理的一些技术 。要对声音进行分析 ， 需要对声音分帧，也就是把声音切开成一小段一小段，每小段称为一帧 。分帧操作一般不是简单的切开 ， 而是使用移动窗函数来实现，这里不详述 。帧与帧之间一般是有交叠的 。
每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠 。我们称为以帧长25ms、帧移10ms分帧 。每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠 。我们称为以帧长25ms、帧移10ms分帧 。
分帧后，语音就变成了很多小段 。但波形在时域上几乎没有描述能力 ， 因此必须将波形作变换 。常见的一种变换方法是提取MFCC特征，根据人耳的生理特性 ， 把每一帧波形变成一个多维向量，可以简单地理解为这个向量包含了这帧语音的内容信息 。这个过程叫做声学特征提取 。实际应用中，这一步有很多细节，声学特征也不止有MFCC这一种，具体这里不讲 。
至此，声音就成了一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列 ， 这里N为总帧数 。观察序列如下图所示，图中，每一帧都用一个12维的向量表示 ， 色块的颜色深浅表示向量值的大小 。
接下来就要介绍怎样把这个矩阵变成文本了 。首先要介绍两个概念：音素：单词的发音由音素构成 。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing Dictionary 。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调 ， 不详述 。状态：这里理解成比音素更细致的语音单位就行啦 。通常把一个音素划分成3个状态 。
【语音识别原理】语音识别是怎么工作的呢？实际上一点都不神秘，无非是：第一步，把帧识别成状态（难点）；第二步，把状态组合成音素；第三步，把音素组合成单词 。
推荐阅读
- 免洗洗手液的原理 免洗洗手液能带上飞机吗
- 耳机降噪原理是什么
- 挡住老鼠的办法
- 货车断气刹原理
- 调压阀工作原理
- 安全带原理
- 涡喷发动机工作原理是什么
- 双向液控单向阀的工作原理
- 微信语音如何转发到群
- 石埠怎么读语音